为什么说单片机会成为深度学习最肥沃的土壤-除此之外，皮特有个新的想法要和大家分享 他坚定地相信，未来的深度学习能够在微型的、低功耗的芯片上自由地奔跑。 换句话说，单片机 (MCU) ，有一天会成为深度学习最肥沃的土壤。 这里面的逻辑走得有些绕，但好像还是有点道理的。
芯片处理器怎么在深度学习中发挥作用-随着AI的广泛应用，深度学习已成为当前AI研究和运用的主流方式。面对海量数据的并行运算，AI对于算力的要求不断提升，对硬件的运算速度及功耗提出了更高的要求。
基于LabVIEW FPGA模块程序设计特点的FIFO深度设定详解-为了解决基于LabVIEWFPGA模块的DMAFIFO深度设定不当带来的数据不连续问题，结合LabVIEWFPGA的编程特点和DMA FIFO的工作原理，提出了一种设定FIFO深度的方法。对FIFO不同深度的实验表明，采用该方法设定的FIFO深度能够比较好地满足系统对数据连续传输的要求。研究结果对深入展开研究和工程设计具有一定的指导意义。
赛灵思FPGA卷积神经网络，云中的机器学习- 人工智能正在经历一场变革，这要得益于机器学习的快速进步。在机器学习领域，人们正对一类名为“深度学习”算法产生浓厚的兴趣，因为这类算法具有出色的大数据集性能。在深度学习中，机器可以在监督或不受监督的方式下从大量数据中学习一项任务。大规模监督式学习已经在图像识别和语音识别等任务中取得巨大成功。
一种递归神经网络在FPGA平台上的实现方案详解-近十年来，人工智能又到了一个快速发展的阶段。深度学习在其发展中起到了中流砥柱的作用，尽管拥有强大的模拟预测能力，深度学习还面临着超大计算量的问题。在硬件层面上，GPU，ASIC，FPGA都是解决庞大计算量的方案。本文将阐释深度学习和FPGA各自的结构特点以及为什么用FPGA加速深度学习是有效的，并且将介绍一种递归神经网络（RNN）在FPGA平台上的实现方案。
3D传感与2D成像的区别，及3D传感在AI领域的应用优势解析-3D传感通常由多个摄像头+深度传感器组成，通过投射特殊波段的主动式光源、计算光线发射和反射时间差等方式，3D传感可获取物体的深度信息。3D传感技术实现了物体实时三维信息的采集，为后期的图像分析提供了关键特征。智能设备能够据根据3D传感复原现实三维世界，并实现后续的智能交互。
Microchip公司的PIC18F46J50是采用nanoWatt XLP技术的低功耗高性能8位USB微控制器（MCU），深度睡眠模式的电流可 …
计算机发展到今天，已经大大改变了我们的生活，我们已经进入了智能化的时代。但要是想实现影视作品中那样充分互动的人工智能与人机互动系统，就不得不提到深度学习。深度学习深度学习的概念源于人工神经
